【学术论文】光伏组件内部参数辨识与输出特性研究
近几年，随着生态问题的日益突出，不可再生能源的过度使用，对环境造成了不小的影响，比如近几年我国雾霾尤其严重，这就凸显出清洁可再生能源的重要性了。近年来，光伏产业作为可再生能源工业的代表，在人们生活的各个领域得到快速发展和应用。光伏组件输出特性由光照强度和外界温度等要素有关[1]。通常，生产商仅提供光伏组件在标况下的外部输出特性曲线和对应的电气铭牌参数。而在实际应用中，光伏组件基本不会在标况下运行，所以获得光伏组件在不同条件下的外部输出特性和对应的电气参数具有实际意义，同时也为光伏组件不同工况下的运行状况分析提供依据。
由于光伏组件的输出特性随外界环境变化明显，所以选择合适的光伏组件模型并对其内部5参数进行准确辨识便成为需要解决的问题[2]。选择典型的单二极管模型，并且该模型在工程应用中也具有高精度[3]。对于参数辨识的方法主要分为近似的数学解析法和基于优化算法的参数辨识方法。文献[4-5]采用近似的数学解析算法，对于参数近似的数学解析算法中，由于存在复杂的超越非线性函数，且有些参数直接近似取固定值，使得计算出的参数准确度大大降低；文献[6]采用CPSO算法，虽然收敛精度达到了，但迭代次数多。总之，基于智能优化算法的参数识别方法在准确度和可靠性方面具有明显优势，但大部分传统的优化算法还是存在着易陷入早熟或迭代寻优次数过多等问题。所以在此基础上提出了改进量子粒子群算法对光伏组件内部参数进行辨识，既解决了PSO算法陷入局部最优的问题，又解决了寻优过程中迭代次数过多问题。此外，光伏组件外部输出特性和内部五参数随外界环境变化呈现复杂的非线性关系，因此如何准确地预测出不同工况下的输出特性曲线和对应的内部参数意义重大。
1.1 光伏电池理论模型
光伏电池是利用光生电效应把太阳能转变为电能的装置，其单二极管模型如图1所示[7]。
由图1得出光伏组件内部参数等效电流和电压表达式：
式中，U为负载两端电压，I为通过负载的电流，Iph为光生电流，Io为二极管反向饱和电流，A为二极管影响因子，Rs为电池串联电阻，Rsh为电池并联电阻，T为电池的绝对温度，K为玻尔兹曼常数(1.38×10-23 J/K)，q为电荷常数(1.6×10-19 C)。其中Iph、Io、A、Rs、Rsh为待辨识参数。
1.2 目标函数的建立
基于上述光伏组件的理论模型特点，将改进量子粒子群算法引入其中，从而准确提取该模型中的未知5参数的值。文献[8]引用Lambert W函数简化光伏电池电流I的显式表达式：
其中X=(Iph，Io，A，Rs，Rsh)为每个粒子的位置向量，代表5个电池模型的参数值。Ical和Imea分别为算法辨识的参数带入式(2)中所得到的辨识电流值和实际的电流值。适应度值越小，表示辨识参数越准确。
2.1 量子粒子群
2004年，sun等人提出量子粒子群算法(QPSO)，QPSO是从量子力学的角度提出的量子空间中的粒子满足聚集的性质。粒子的聚集由颗粒运动的中心的束缚状态描述，粒子运动的中心是存在于粒子中的一种吸引力。处于束缚状态的粒子可以以一定的概率密度出现在量子空间中的任何点。粒子的迭代过程在文献[9]中详细描述。
2.2 改进量子粒子群算法
由于在QPSO算法中的种群初始化是采用随机分布的[10]，所以种群初始化存在一定的局限性，无法遍历整个区域。从而提出对其种群进行混沌初始化，以提高粒子初始化遍历范围，同时在寻优过程中对局部最优解进行混沌化处理，以防止陷入局部最优解。混沌学由E.N.洛伦兹提出，由于混沌状态与一般的无规则状态不同，其主要特征有规律性、随机性和遍历性，所以混沌理论已经成为一个新的和潜在的优化工具。由于混沌序列具有上述优点，因此利用混沌序列用于初始化粒子，可以提高粒子初始化的遍历性，从而为寻优精度和收敛速度奠定基础。Logistic混沌方程[11]如式(4)所示：
式中，0≤Z0≤1，Zi为第i个变化量，μ为控制系数。
3.1 仿真实验验证算例
根据光伏组件5参数特性，在MATLAB/Simulink中建立光伏组件仿真模型[11]，得出相应的参数辨识数据。模型中光伏组件标况下的电气参数为Im=4.95 A，Vm=35.2 V，Voc=44.2 V，Isc=5.2 A；为了验证上述参数辨识方法的精确性和快速性，对仿真模型在标况下的一组数据，采用PSO、QPSO、CQPSO和CPSO 4种方法分别进行辨识并做对比试验，试验都迭代100次，由于适应度函数值大小直接可以反映出参数辨识的精度，图2为不同方法迭代后的适应度值变化图，表1为不同算法辨识出的光伏组件参数值。结合表1和图2的相关数据和图像显示可得出，CQPSO算法适应度值为0.037 014，相比于PSO的0.542 4，收敛精度要高许多，且迭代次数只需要18次便收敛了，相比于QPSO都迭代33次和文献[8]中的CPSO迭代68次要快速许多，所以改进量子粒子群既避免陷入局部最优，提高了收敛精度，又加快了收敛的速度，说明此算法可以准确地对光伏组件内部参数进行辨识，且优化了其他算法易陷入局部最优和迭代次数过多的问题。
在此基础上，为了进一步说明参数辨识对输出特性预测的准确性，本文分别运用了在仿真模型条件下通过改变温度和光强的3种不同工况下给定的50个数据点，并将其带入改进的量子粒子群算法中进行模型参数辨识，得出的参数结果如表2。同时用算法辨识结果拟合出对应不同工况下的输出特性I-U曲线，如图3。
通过图3的比较可以看出，辨识出的参数值与给定值误差较小，辨识出光伏组件功率曲线与设定值曲线重合度较高，说明此算法对于不同工况下的参数辨识都有较高的准确性。为了验证对输出特性预测精度，本文引进了预测电流百分误差函数PE，如式(5)所示，对输出特性中具有代表性的最大功率点电流Imp准确性进行比较，如表3。表中误差率绝对值均小于0.5%，说明此方法对仿真模型输出特性预测是非常有效且适用的。
3.2 实测数据实验验证算例
为了验证此预测模型在实际环境下的预测效果，本文在辐照度为260 W/m2、光伏电池板温度为37 ℃(310K)的工况下，用算法进行参数辨识和输出特性预测精度的验证。在该工况下选取45个数据值进行辨识，通过传统数学解析算法和本文改进两种算法分别辨识出内部参数值，如表4所示。把表4中不同算法对应的辨识参数代入式(2)原方程中拟合出3种算法对应的实测数据输出特性曲线，如图4所示。把图4中拟合的3个电流值带入到式(5)的电流百分比误差函数中，得到图5中3种算法的预测电流误差百分比。
从表4中适应度值可得出，改进算法在实测数据条件下依然能得到高精度的辨识参数值，证明此算法在参数辨识上的准确性和可适用性。从图4中两种方法拟合出的输出特性曲线可看出不同算法辨识曲线差距很大，而本文算法使实际测量值和拟合曲线基本重合，拟合程度较高说明对电流预测的准确性。图5中预测电流误差百分比可看本文算法电流误差率几乎为0，也说明此方法对输出特性预测具有较高的准确性，从而充分验证在实测条件下对光伏组件输出特性预测的精确度。
综上所述，算例中分别采用不同算法对仿真模型下的光伏组件进行内部参数辨识，比较得出本文算法的准确性和快速性。并通过此算法准确地对不同工况下的光伏组件输出特性进行预测，再通过本文算法与传统的迭代算法在实测光伏组件数据下进行辨识并对输出特性进行预测，实验结果均表明算法对参数辨识的准确性以及输出特性预测的正确性和有效性。
本文通过改进算法对光伏组件内部参数进行了准确辨识，将光伏组件仿真模型和实际环境下的实测数据进行了参数辨识和输出特性的预测实验。在仿真试验中，首先通过3种粒子群算法对标况下光伏组件5参数进行辨识，得出改进量子粒子群算法收敛速度快且精度高，同时避免陷入局部最优，说明此方法在仿真模型下的参数辨识有效性和准确性；再通过改进量子粒子群算法对不同温度和光强下光伏组件进行参数辨识，通过辨识结果拟合出对应的输出特性曲线，并计算出电流误差百分比，从而验证及说明了此方法对仿真模型下输出特性预测的准确性。为了进一步验证此方法对参数辨识的准确性和对输出特性预测的有限性，本文采用了具有一般性的工况(S=260 W/m2，T=37 ℃)下的实测数据对此方法的准确性进行验证，验证结果表明此方法具有一般工程适用性，且准确度较高。本文对光伏组件参数辨识及输出特性预测具有广泛适用性，可为光伏组件中最大功率点跟踪（MPPT）、故障诊断等问题研究提供支持，具有较高的工程使用价值和推广意义。